1.一种纺织图像的特征提取方法,其特征在于,包括步骤:S1、将待提取特征的织物图像切分成M×M像素,并将织物图像转化为灰度图像;
S2、将步骤S1中转化为灰度图像的织物图像经过基于互相干准则的字典优化,得到织物图像的字典矩阵D;
S3、令步骤S2中得到的字典矩阵D=Φ,并同灰度化织物图像共同构成稀疏表示模型y=Φx+ξ,其中,y为灰度化织物图像,ξ为观测噪声,设置控制x更新的超参数α和控制ξ更新的超参数β,并根据稀疏贝叶斯学习稀疏表示模型进行求解,求得x的表达式,并更新超参数α、β以对x进行更新,最终得到织物图像的稀疏特征x;
步骤S2中,具体包括以下步骤:
S2.1、初始化N×L维的字典矩阵D0,随机生成与织物图像同维的测量矩阵ψ,并使测量矩阵ψ正交化;
S2.2、对字典矩阵D0的列向量进行模值归一化处理;
S2.3、计算字典矩阵D0的列向量之间的互相干性u:其中,di,dj为字典矩阵的列向量,且i≠j;
T
S2.4、对字典矩阵D0进行奇异值分解,即:D0=USV;
其中,U为N阶正交矩阵,S为降序排列的非负对角线元素组成的N×L矩形对角阵,V为L阶正交矩阵;
S2.5、对矩阵S进行优化,使得:S(N+1:end,L+1:end)=u,以得到优化后的矩阵S';
S2.6、对字典矩阵D0进行学习,迭代公式如下:T
D’=U*S’*V,
其中D’表示迭代后的字典矩阵;
S2.7、判断迭代次数是否达到预设迭代次数n,若否,则将步骤S2.6得到的迭代后的字典矩阵替代上一次迭代过程中的字典矩阵,并重复上述步骤S2.3‑S2.6,若是,则输出学习后的字典矩阵,即优化后的字典矩阵D;
步骤S3中,具体包括以下步骤:
S3.1、输入步骤S2优化后获得的字典矩阵D和灰度化织物图像y;
S3.2、将灰度化织物图像y视为稀疏特征图像x与观测噪声ξ的加权和,建立相应的数学模型并计算,具体过程如下:y=Φx+ξ (1)其中y为N×M维的灰度化织物图像,Φ为步骤S2更新获得的N×L维的字典矩阵D,x为L×M维的稀疏性特征图像,ξ为N×M维的观测噪声,且 即ξ服从期望为0,方差2
为σ的正态分布;
‑1 2
令β =σ,则y的高斯似然模型表示为:其中,μx为x的期望;
根据稀疏贝叶斯学习的算法思想,假定x服从高斯分布,则对x赋予先验条件概率模型,表示为:其中, α是超参数用于控制x的先验方差;
根据贝叶斯公式得:
S3.3、设置x的收敛标准xThresh以及最大迭代次数Max_iter;
S3.4、初始化α和β的值;
S3.5、通过步骤S3.2计算得x的后验分布为:‑1 T
μx=β ∑xΦy (6)‑1 T ‑1 ‑1
∑x=(β ΦΦ+A ) (7)其中μx为x的期望,∑x为x的方差;
S3.6、根据α和β的值,结合S3.5中的(6)、(7)对μx,∑x进行估计计算;
S3.7、利用步骤S3.6得到μx和∑x更新α和β,更新公式如下:n n+1 n+1
其中α表示更新前超参数α的值,α 表示更新后超参数α的值,β 表示更新后超参数β的值,(∑x)ii为∑x第i个对角元素;
S3.8、计算迭代截止条件 并判断e<xThresh是否成立,若成立,则停止迭代,此时的μx为最终学习得到的稀疏特征图像x,若不成立,则继续判断迭代次数是否大于Max_iter,若满足则停止迭代,此时的μx为最终学习得到的稀疏特征图像x,若两个条件均不成立,则利用步骤S3.7计算得到的更新后的α和β以重复步骤S3.6‑S3.7。
2.根据权利要求1所述的一种纺织图像的特征提取方法,其特征在于,步骤S2.7中预设迭代次数n=1000。
‑8
3.根据权利要求1所述的一种纺织图像的特征提取方法,其特征在于,xThresh为10 。
4.根据权利要求1所述的一种纺织图像的特征提取方法,其特征在于,Max_iter为
2000。
5.根据权利要求1所述的一种纺织图像的特征提取方法,其特征在于,将待提取特征的织物图像切分成96×96像素。